Flask实现Web服务调用Python程序通过Web服务调用Python写的手写数字识别算法模型，得到手写数字识别结果。

环境准备：
Python环境不多说了
安装 flaskpip install flask
安装 waitresspip install waitress
代码：
main.py

from flask import Flask
from predictNumber import predict
app=Flask(__name__)
 
@app.route('/predictNumber/', methods=['POST'])
def predict_number():
    image = request.form["image"] # 非必须，本案例使用
    result = predict(image)
    return {
        "result": result
    }
 
if __name__=='__main__':
    app.debug=True
    app.run(host='127.0.0.1',port=5000)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
其中，手写数字识别的代码 predictNumber.py 赠送如下：

from __future__ import print_function
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.optim.lr_scheduler import StepLR
from PIL import Image
import numpy as np
import base64
from io import BytesIO

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

def predict(image):
    # load model
    model = Net()
    model.load_state_dict(torch.load("demo/model/mnist_cnn.pt"))
    model.eval（)
    # load test data
    img = Image.open(image).convert('L') 
    img = img.resize((28, 28)) # 更改图片大小
    npimg1 = np.array(img) # 转为numpy矩阵
    flatten_img = npimg1.reshape(1, 1, 28, 28) # 转为mnist1, 1, 28, 28二维张量
    
    # 以下意思是把白色背景转为黑色背景，因为训练的都是黑色背景
    new_flatten_img = (255-flatten_img)/255.0
    new_flatten_img = new_flatten_img.reshape(1, 1, 28, 28) #      --------  该数据可直接被模型识别

    test_kwargs = {'batch_size': 1}
    test_loader = torch.utils.data.DataLoader(new_flatten_img, **test_kwargs)
    for data in test_loader:
        data = data.to(torch.float32)
        output = model(data)
        pred = output.argmax(dim=1, keepdim=True)
        print(pred)   
        print(pred.item())
        return pred.item()
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
启动该服务有两种方式
方式一：
通过运行Python脚本启动服务，run.py 代码如下：

from waitress import serve
import main
serve(main.app, host='127.0.0.1',port=5000)
1.
2.
3.
直接运行 run.py 即可

python run.py
1.
验证我们可通过postman发送请求，得到如下结果：

方式二：
通过 cmd 设置 mian.py 路径，我的 main.py 放在E:\pythonProject\下面，大家自行调整。

set  FLASK_APP=E:\pythonProject\main.py
1.
再通过以下指令启动服务：

flask run
1.
效果如下：

以上便是简单版的完整流程。下面加更一些补充说明~

Flask程序必须创建一个程序实例。参见上面第一个代码 main.py 中 app = Flask(__name__) 即为实例。

Web服务器把接收到的所有客户端请求，转交给Web服务器网关接口对象处理。需要提供的参数只有一个，就是程序主模块或包的名字，一般就是Python的name变量。

客户端的请求经由Web服务器转发给Flask程序实例。程序实例需要URL到具体代码的映射关系。这个映射关系称为路由。
Flask中最简单的路由定义方式是app.route修饰器。

上面的路由定义，把根路径和predictNumber函数关联起来，如果部署程序的服务器域名是 http://127.0.0.1:5000/，那么浏览器中输入 http://127.0.0.1:5000/predictNumber/ 就会触发这个函数。

函数的返回值称为响应，是客户端接收到的内容。这样如果客户端是Web浏览器，响应就是给客户看的文档。

下面博文中有非常详细完整的介绍，以供参考。

一个简单的Flask Web服务器

实现多并发调用服务可参考：

Flask+gunicorn实现web服务并发调用Python程序，解决多线程/多进程问题

多并发调用Pytorch的坑：

Flask+gunicorn部署深度学习报错gunicorn: error: argument -b: invalid int value ‘0.0.0.0:8000‘
-----------------------------------
libreoffice 接口调用 python web调用python接口
https://blog.51cto.com/u_16213631/8139871